מנכ״ל Domino Data Lab: 57% מהארגונים לא רואים ROI מ-AI

אז מה בעצם קורה פה? כולכם מכירים את התחושה: החברה מוציאה מיליונים על מודלי AI, מטמיעה כלים חדשים, אבל בסוף הרבעון – ההכנסות לא זזות, העלויות לא יורדות, והמנכ״ל שואל מה יצא מזה. החדשות הרעות: אתם לא לבד. החדשות הטובות: אולי סוף סוף מבינים למה.

מנכ״ל Domino Data Lab, Thomas Robinson, חושף נתון מרתק: 57% מהארגונים עדיין מתקשים להשיג החזר השקעה שמצדיק את ההוצאות שלהם בתחום ה-AI. וזו לא סתם סטטיסטיקה יבשה – היא מצביעה על פער עמוק בין ההייפ לבין המציאות העסקית. ״רוב היישומים שראינו בשנים האחרונות התמקדו בלתת למשתמשים כלים לשולחן העבודה״, אומר Robinson בריאיון ל-theCUBE. ״לכתוב אימייל, לייצר טקסט שיווקי. אבל זה לא המקום שבו חברות מרוויחות או מפסידות כסף. זה לא המקום שבו הן עושות חדשנות, וזה לא המקום שבו הן חוסכות בעלויות. בסוף היום, אנחנו חושבים שצריך להחיל AI על התהליכים הקריטיים, בעלי ההשלכות הגבוהות, שהם הליבה של העסק״.

אז מהם ״תהליכי עבודה קריטיים״?

חשבו על זה ככה: אם מודל AI שואל שאלה טובה או מייצר תוכן מבריק, זה נהדר לפרודוקטיביות אישית. אבל אם אותו מודל מתחיל להשפיע על תהליך ייצור, קבלת החלטות פיננסית, או ניהול שרשרת אספקה – כאן הדברים יכולים להשתבש בגדול. במחקר, בפיננסים, בביטחון הלאומי – מקומות שבהם תשובה שגויה יכולה לעלות מיליונים או לסכן חיי אדם.

הפער הזה הוא למה כל כך הרבה פרויקטים של AI נשארים ברמת הפיילוט. החברות קונות את הטכנולוגיה, אבל לא משלבות אותה במקומות שבהם באמת נמדד הערך העסקי. זה דומה למה שראינו בענן, ב-SaaS, במובייל – אבל הפעם הקצב מהיר יותר, כי AI נכנס דרך הדלת האחורית, דרך העובדים, ולא תמיד דרך מחלקת ה-IT.

מי יודע הכי טוב מה התהליך? העובדים עצמם

נקודה מעניינת שעולה מ-CIO: כדי לבנות AI שבאמת עובד בתהליכים עסקיים, צריך לערב את העובדים שמכירים את התהליכים הכי לעומק – אנליסטים עסקיים, מנהלי שרשרת אספקה, אנשי כספים. הם אלה שבנו את המומחיות שלהם במשך עשורים; מודל AI, מנהלים ואנשי IT לא מכירים את התהליכים טוב מהם.

הבעיה? בלי שיתוף הפעולה הזה, ה-AI עלול לייצר פלטים שגויים, וברגע שהאמון נסדק – קשה מאוד לבנות אותו מחדש. תארו לעצמכם שאתם מציגים למנכ״ל דוחות פיננסיים שמופקים על ידי AI, ואז מתברר שהנתונים שגויים. זה הורג כל יוזמה בשלב מוקדם.

האתגר הבא: תיאום ואבטחה

כש-AI נכנס לתהליכים קריטיים, הבעיות הופכות מורכבות יותר. קחו למשל את עולם הלקוחות (CX): חברות מטמיעות סוכני AI אוטונומיים, צ׳אטבוטים ומערכות אוטומציה, אבל לרוב הן ״מחברות״ אותם למערכות legacy שלא נבנו לזה. התוצאה? עומס קוגניטיבי על העובדים האנושיים שצריכים להבין מה ה-AI כבר אמר ללקוח.

Gaurav Anand מ-Tata Communications מציין ש״האתגר היום הוא לא להוסיף עוד אינטליגנציה, אלא לתאם את האינטליגנציה הקיימת בארגון, כך שהלקוח לעולם לא יחוש בתקלות״.

ובצד האבטחה – הסיפור מ-BankInfoSecurity מדאיג: 56% מהארגונים כבר נחשפו ל-AI אגנטרי (agentic AI), שבו סוכנים אוטונומיים מקבלים הרשאות כתיבה לכלי שיתוף, מאגרי קוד ומערכות זהות. אבל 91% מהצוותים לא יכולים לעצור פעולה מסוכנת של סוכן לפני שהיא מתבצעת. זה מחייב חשיבה חדשה על אמון בזמן ריצה (runtime trust) – לא רק מי הסוכן, אלא האם אפשר לסמוך עליו לאורך זמן.

דוגמאות מהשטח: ככה זה נראה בפועל

OpenAI פרסמה לאחרונה נתונים מעניינים: חברות שנמצאות בחזית השימוש ב-AI (ה-10% העליונים) מייצרות פי 8.3 טוקנים של פלט למשתמש פעיל לעומת חברות ממוצעות. זו קפיצה מ-2.6 בינואר – מה שמצביע על כך שהמובילים לא רק משתמשים ב-AI יותר, אלא משלבים אותו עמוק יותר בתהליכי עבודה.

היא מביאה דוגמאות כמו Basis, שפיתחה סוכני AI לרואי חשבון: תהליך הקליטה של עובדים חדשים ירד משעתיים ל-30 דקות. Clay ו-Exa Labs הטמיעו אוטומציה בניהול חשבונות ובצמיחת האקוסיסטם למפתחים. המשותף: התחילו מתהליך יציב, נתנו לסוכן הקשר רציף, ואז אפשרו לו לבצע פעולות מוכחות.

מה הלאה? התלות גוברת, והסיכונים גדלים

ככל ש-AI הופך לחלק אינטגרלי מתהליכי העבודה, התלות בו גדלה – וכך גם ההשלכות של תקלות. זה לא כמו מודל AI שכותב מיילים; זה משפיע על החלטות עסקיות, מקיים אינטראקציה עם נתונים ארגוניים, ויכול לבצע פעולות מערכתיות. אם משהו משתבש, המחיר גבוה יותר.

Robinson מסכם את זה יפה: ״בסוף, ה-AI צריך להיות במקומות שבהם העסק חי ונושם. לא בפרודוקטיביות האישית, אלא בלב התהליכים הקריטיים״.

בינתיים, נראה שה-AI ממשיך לשבת על הדסקטופ, בזמן שהכסף הגדול עדיין מחכה במשרד.